基于数据挖掘技术的企业审计模型构建及算法优化

王鑫根

摘 要：采用层次分析法，从重大报错风险、审计人员风险、审计程序风险3个维度构建了电力企业审计风险评估指标，对BP神经网络初始权值、阈值进行优化，提出了电力企业审计风险评估的BSA-BP模型。将提出的模型和专家评估结果进行对比，2种方法保持了一致性。采用BAS-BP神经网络找出了电力企业审计工作开展过程中的薄弱环节，采取针对性的措施进行改进。2次审计评估结果表明，采取针对性的措施改进后，企业的审计风险明显降低。

关键词：BP神经网络；天牛须搜索算法；审计风险评估；电力企业

中图分类号：F407.6；TP391

文献标志码：A文章编号：1001-5922（2023）04-0187-05

Model establishment and algorithm optimization of enterprise audit based on data mining technology

WANG Xingen

（Guangzhou power trading center of China Southern Power Grid Co.，Ltd，Guangzhou 510800，China）

Abstract：Using the analytic hierarchy process，this paper constructed the audit risk assessment index of power enterprises from three dimensions of major error risk，auditor risk and audit procedure risk，optimized the initial weights and thresholds of BP neural network，and proposed the BSA-BP model for the audit risk assessment of power enterprises.Comparing with the proposed model with the expert evaluation results，the two methods were consistent.In addition，BAS-BP neural network was used to find out the weak links in the audit work of power enterprises，and targeted measures were taken to improve it.The results of the second audit evaluation showed that after taking targeted measures to improve，the audit risk of enterprises was significantly reduced.

Key words：BP neural network;beetle antennae search algorithm;audit risk assessment;electric power enterprises

电力企业的发展直接影响到国民经济的发展，强化电力企业审计工作的开展对确保企业的正常化运营意义重大。企业审计包括3个阶段，即账项基础、制度基础、风险导向，其中风险导向是审计方法应用和战略定位的发展方向。通过对电力企业审计风险因素的定性分析来及时有效处理审计风险，避免企业在经营过程中面临财务危机［1］。电力企业对有机硅材料、橡胶材料等需求比较大，审计水平不高会导致经营决策不科学，进而导致资源的浪费，增加企业的经营成本［2］。数据挖掘技术是对海量、含噪、缺失、随机的数据中挖掘具有隐藏价值信息的新技术，在各行各业得到了广泛应用。陈鑫将数据挖掘技术应用于

洪水预报实时校正中，降低了洪峰预报、洪量预报、峰现时间预报误差，对有效预警和防灾减灾发挥重要作用［3］。刘明将数据挖掘技术应用于网络控制系统建模中，构建了控制参数预测模型，确定了最佳的控制参数，实现了对网络系统的高精度控制［4］。数据挖掘应用中常常使用采用自适应强、容错性佳、鲁棒性好的人工神经网络，其对数据的挖掘处理优势突出［5］。基于此，采用层次分析法构建审计风险评估指标，并建立基于改进BP神经网络的审计风险评估模型，提升电力企业审计风险评估的精度。

1 電力企业审计风险评估指标构建

企业审计风险具有3个方面的特征，即审计环境复杂、审计对象动态和审计方法多样。结合审计准则，从重大报错风险、审计人员风险、审计程序风险3个角度来构建电力企业审计风险评估指标体系。不同审计风险评估指标对审计风险评估所产生的作用不同，部分的指标甚至不影响审计风险评估的结果。因此，采用层次分析法对比各评价指标权重，构建电力企业审计风险评估指标体系。设电力企业审计风险评估指标矩阵为A，即［6］：

A=x11x12…x1nx21x22…x2nMMOMxm1xm2Lxmn（1）

式中：xij为指标xi对指标xj的重要度。

对指标判断矩阵A的各行元素相乘，即：

Li=∏mj=1xij（2）

对Li计算m次方根，即：

ω-i=mLi（3）

进行归一化处理，即：

ωi=ω-i∑mi=1ω-i（4）

计算判断矩阵A的最大特征值，即：

λmax=∑mi=1Aωimωi （5）

计算第i层评价指标权重，即：

Ci=ci1ci2ci3（6）

将指标权重和事先设定的阈值对比，选择权重大于阈值的指标作为电力企业审计风险评估的指标，构建的电力企业审计风险评估指标体系如图1所示。

从图1可以看出，所构建的电力企业审计风险评估指标不仅有定量化指标，同时还有定性化指标。对定量化指标而言，为避免不同量化指标之间存在的量纲差异，需要进行归一化处理。不同的定量化指标和评估结果之间的关系所不同，如果其和评估结果之间为正相关，那么采用式（7）进行归一化处理；如果其和评估结果之间是负相关，那么采用式（8）进行归一化处理，即［7］：

di=xi－ximinximax－ximin（7）

di=1－xi－ximinximax－ximin（8）

对定性化指标而言，采用专家评分法进行指标的量化处理，确保定性指标和定量指标之间具有可比性。

2 電力企业审计风险评估模型构建

2.1 BP神经网络模型

BP神经网络由Rumelhart提出，网络训练采用的是逆向传播算法，属于典型的多层前馈网络。大量实践表明，BP神经网络具有良好的性能，典型BP神经网络结构由输入层、隐含层、输出层组成，具体结果如图2所示［8］。

BP神经网络训练的过程为数据x从输入层输入，传递到隐含层，再由隐含层传递到输出层。将输出层输出的数据y和期望输出进行对比。如果不满足精度要求，就会进入到反向传播阶段。在误差反向传播的过程中对输入层到隐含层、隐含层到输出层之间的连接权重进行调整，降低输出数据和期望输出之间的误差。设ω1、b1分别为输入层到隐含层的权值矩阵、偏差矩阵，ω2、b2分别为隐含层到输出层的权值矩阵、偏差矩阵，f1、f2为输入层到隐含层和隐含层到输出层的神经元传递函数，那么［9］

y=f2ω2·f1ω1x－b1－b2 （9）

BP神经网络训练的过程就是通过梯度下降法来调整连接权值、阈值的过程，使得网络输出和期望输出之间误差最小。定义目标函数为M，即：

M=min∑Ni=1y′i－yi2（10）

式中：N为训练样本数；y′i为BP神经网络输出值；yi为期望输出值。

大量的实践经验表明，梯度下降法进行训练学习效率不高，而且受到初始权值、阈值的影响大。当BP神经网络的初始权值和阈值选择不当时，网络训练学习可能会陷入局部最优的状态［10］。

2.2 天牛须搜索算法

天牛须搜索算法（BAS）也称之为甲壳虫须搜索算法，是研究人员根据天牛觅食行为构建的算法模型。由于BAS只需要一个个体，这使得其原理简单、参数少、计算量小，受到了学术界的广泛关注［11］。因此，运用BAS来优化BP网络的初始权值与阈值，达到提高算法性能的目的。

天牛觅食是根据食物气味来工作的，其自身并不了解觅食食物的位置。天牛觅食的路径选择依赖于天牛的2只长触角，当天牛的左触角接收到的食物气味强度比较大时，那么天牛就会向左边移动；当天牛的右触角接收到的食物气味强度比较大时，那么天牛就会向右边移动。天牛觅食的路径依赖于其左右触角接收到的食物气味浓度，结合浓度来做出判断，最终达到到达食物所在位置的目的［12］。天牛觅食示意如图3所示。

为了问题的简化，结合天牛须觅食过程做出假设，即天牛须的2个触角位于天牛须质心的两侧，天牛须觅食的步长与2个触角之间距离的比值是定值，同时天牛须每走一步，其头的朝向是随机的［13］。通过合理性假设确保了体积比较大的天牛须在实际的觅食过程中走大步，体积比较小的天牛须在实际的觅食过程中走小步，同时避免天牛须搜索陷入局部最优的状态。BAS简化模型如图4所示［14］。

食物气味为空间的三维函数，在不同的位置，食物的气味强度往往也是不同的，同时气味强度是空间位置的连续函数。天牛觅食过程依赖于左右2须，通过判断自身邻近2个点食物的气味强度来规划下一步的移动方向。BAS主要包括4个步骤，具体如下［15］：

（1）对n维空间优化问题，初始化天牛的左右须坐标和质心坐标分别为xl、xr、x，天牛左右2须的距离为d0，步长为step；

（2）考虑到天牛朝向是任意的，因此产生随机向量dir来表示天牛右须指向左须的朝向，即：

dir=randn，1（11）

对产生的随机向量dir归一化，即

dir=dirnormdir（12）

天牛左右须位置可以通过质心位置、2须距离、归一化的随机向量来表示，即［16］：

xl=x+d0·dir2xr=x－d0·dir2（13）

（3）设f为待优化函数，计算天牛左须与右须的值，构造如下迭代格式［17］：

xt+1=xt+step·dirxl－xrFlFr（14）

式中：Fl和Fr的计算公式：

Fl=fxl； Fr=fxr（15）

（4）判断是否满足迭代终止条件（寻优精度、最大迭代次数），如果满足，迭代终止，输出为寻优结果；如果不满足，继续迭代。

2.3 BAS-BP审计风险评估模型

对BP网络的初始权值与阈值进行优化，使得用于电力企业审计风险评估的BP神经网络性能得到提升。BAS-BP审计风险评估模型流程如图5所示。

3 实例分析

3.1 数据来源

电力企业审计对企业的发展具有至关重要的影响，通过审计风险评估来确保企业资产安全，这不仅能够提升电力企业的内部管理水平，同时也可以大大增强企业抵御巨大市场风险的能力。选择10家电力企业作为研究对象，采用BAS-BP审计风险评估模型进行审计风险评价。借助的平台为MATLAB软件，其中模型的输入层和中间层连接函数为Tansig函数，中间层和输出层连接函数为Logsig函数［18］，审计风险评估模型的训练误差为10-4。

3.2 结果分析

3.2.1 企业审计风险评估结果

采用MATLAB软件编制程序，对BAS-BP神经网络进行训练学习，得到训练次数和训练误差关系曲线，结果如图6所示。

从图6可以看出，当模型训练次数在150次时，其训练误差满足设定的要求。采用训练好的模型对所选择的10家电力企业审计风险实施评估，结果如表1所示。

3.2.2 审计评估模型有效性验证

为了验证BAS-BP神经网络模型对电力企业审计风险评估的有效性，将其和专家对电力企业审计风险评估的结果进行对比［19］，结果如图7所示。

从图7可以看出，BAS-BP模型对电力企业审计风险评估的结果基本和专家的评估結果保持了一致性，即提出的BAS-BP评估模型可信。

3.2.3 审计风险评估结果对比

对电力企业审计风险实施评估，精准定位电力企业审计中存在的薄弱环节，采取针对性措施来处理和解决审计过程中的薄弱环节［20］，并进行2次审计风险评估，并和首次审计风险评估结果进行对比，结果如表2所示。

由表2可知，对所选择的十家电力企业而言，第2次审计风险评估结果具有了不同程度的降低。由此可见，电力企业对审计薄弱环节采取更具针对性的处理和把控措施有助于审计风险的降低，对确保企业的财务安全，提升企业的市场竞争力具有现实价值。

4 结语

电力企业审计对企业风险识别、流程优化、避免财务危机至关重要，通过审计风险评估来找出企业审计的薄弱环节。论文采用层次分析法，从重大报错风险、审计人员风险、审计程序风险三个角度构建了审计风险评估指标。采用BAS优化BP神经网络的初始化权值和阈值，提出了基于BAS-BP的企业审计风险评估模型。将BAS-BP对企业审计风险评估的结果和专家评估结果进行对比，验证了BAS-BP审计风险评估模型的有效性。这对电力企业更高高效开展审计风险评估，提升审计工作质量具有一定的参考。

【参考文献】

［1］万婵.电力企业数据资产监控体系的建立［J］.粘接，2020，42（6）：73-77.

［2］ 陈晓.10kV配电网线路常见的施工故障及运维技术难点分析［J］.粘接，2020，44（11）：150-154.

［3］ 陈鑫，刘艳丽，张建云，等.数据挖掘技术在洪水预报实时校正中的应用［J］.水力发电学报，2022，41（8）：54-62.

［4］ 刘明.基于数据挖掘技术的网络控制系统建模与分析［J］.沈阳工业大学学报，2022，44（4）：446-450.

［5］ 尚福华，曹茂俊，王才志.基于人工智能技术的局部离群数据挖掘方法［J］.吉林大学学报（工学版），2021，51（2）：692-696.

［6］ 范栋林.基于AHP构建的专业技术实践质量评价体系模型分析［J］.粘接，2022，49（12）：141-145.

［7］ 杨寒雨，赵晓永，王磊.数据归一化方法综述［J］.计算机工程与应用，2023，59（3）：13-22.

［8］ 李永锋.改进的混沌理论和BP神经网络化工产品需求预测模型设计［J］.粘接，2022，49（8）：177-181.

［9］ 刘宇，王伟伟，邸克，等.基于SA优化BP神经网络的室内外无缝定位算法［J］.计算机仿真，2022，39（12）：485-489.

［10］ 生万宝，张本国，吴迪，等.基于蚁群算法-BP神经网络的漏钢预报模型研究［J］.特种铸造及有色合金，2022，42（11）：1366-1369.

［11］ 单斌斌，李华，谷瑞政，等.基于天牛须搜索算法的短期风电功率组合预测［J］.科学技术与工程，2022，22（2）：540-546.

［12］ 田桂林，吕谋超，苏枫，等.基于天牛须搜索算法的渠系优化配水初步研究［J］.节水灌溉，2021，316（12）：38-42.

［13］ 汪祖民，田纪宇，王宝凤.改进天牛须搜索算法的工控系统入侵检测［J］.计算机工程与设计，2021，42（8）：2108-2114.

［14］ 廖列法，杨红.天牛须搜索算法研究综述［J］.计算机工程与应用，2021，57（12）：54-64.

［15］ 曲云霄，林升垚，徐晋勇，等.基于天牛须搜索算法的电池模型参数辨识［J］.电源技术，2021，45（6）：728-731.

［16］ 王道累，孙昊，胡松，等.基于天牛须搜索算法的单目相机标定方法［J］.济南大学学报（自然科学版），2020，34（6）：568-574.

［17］ 高泽海，刘洋，陈杰，等.基于增强天牛须搜索算法的专色配方预测方法［J］.西北工业大学学报，2022，40（6）：1422-1430.

［18］ 陈玉坤，管会生，周磊，等.基于BP神经网络的盘形滚刀磨损预测研究［J］.现代隧道技术，2021，58（5）：78-84.

［19］ 冷继波.关于经济审计风险优化评估仿真研究［J］.计算机仿真，2017，34（4）：216-219.

［20］ 陈艳芬，彭俊英，姚莉.上市公司年报审计风险评估程序缺陷及对策研究［J］.中国注册会计师，2021，269（10）：81-83.